無監督層次表征學習模型及其在遙感影像解譯中的套用

無監督層次表征學習模型及其在遙感影像解譯中的套用

《無監督層次表征學習模型及其在遙感影像解譯中的套用》是依託西安電子科技大學,由劉芳擔任項目負責人的面上項目。

基本介紹

  • 中文名:無監督層次表征學習模型及其在遙感影像解譯中的套用
  • 項目類別:面上項目
  • 項目負責人:劉芳
  • 依託單位:西安電子科技大學
中文摘要,結題摘要,

中文摘要

大場景高分辨SAR影像在語義空間中的區域圖的作用下,被劃分為混合集聚結構地物像素子空間、結構地物像素子空間和勻質地物像素子空間。針對大場景高解析度SAR影像存在獲取類別標籤樣本數據難的問題,通過對三個不同結構地物的像素子空間的無監督分割來解決SAR影像的無監督分割。由於極不勻質區域地物表示的複雜性與該區域目標大小和形狀的多樣性、相鄰目標空間拓撲結構的多樣性、目標散射特性和相干斑噪聲等有密切的關係,與勻質區域和不勻質區域地物表示的複雜性相比,極不勻質區域地物表示的難度更大,導致混合集聚結構地物像素子空間的無監督分割更具有挑戰性;因此,本項目擬重點研究極不勻質區域的無監督層次表征學習模型和方法來實現混合集聚結構地物像素子空間的無監督分割,為無監督表征學習探索出一條非深層且可解釋的新的研究途徑。

結題摘要

由於SAR圖像中極不勻質區域地物表示的複雜性與該區域目標大小和形狀的多樣性、相鄰目標空間拓撲結構的多樣性、目標散射特性和相干斑噪聲等有密切的關係。針對SAR圖像極不勻質區域地物的複雜形狀結構表征難的問題,本項目首先構建了能捕捉方向信息的Ridgelet核函式和Curvelet核函式,並基於這些核函式設計了方向結構濾波器;接著,為了以無監督學習的方式獲取初始結構濾波器,該項目利用了素描線段的方向和個數等信息,建立了基於素描方向信息的能量保真目標函式,並提出了相應最佳化方法。理論分析和實驗表明本項目提出的基於素描方向信息的能量保真模型和最佳化方法在無需樣本標籤的條件下,能更好地求解出那些與原始影像塊中蘊含的複雜地物結構儘量匹配的初始結構濾波器。在此基礎上,針對目標形狀邊界的建模問題,本項目提出了以素描線段為單位構建能包含邊界信息在內的幾何結構塊,設計了幾何結構塊中描述邊界鄰域內像素值之間約束關係的函式,建立了基於幾何結構塊約束關係的結構能量保真模型,並提出了相應最佳化方法。理論分析和實驗表明與強調重構塊與原始影像塊的整體Frobenius範數最小化不同,本項目提出的模型在關注它們之間整體Frobenius範數較小化的同時,還充分考慮了目標形狀邊界的建模問題。最後,在語義空間和像素空間信息互動框架下,針對混合地物結構像素子空間的無監督分割問題,本項目提出了一種基於素描方向統計信息和特徵學習的兩階段聚類的混合像素子空間分割方法,該方法將人工設計的特徵和學習得到的特徵通過兩階段聚類有機地結合起來,使得分割性能得到較大提升。

相關詞條

熱門詞條

聯絡我們